基于数字孪生技术的工业机器人故障预测方法

为了提高工业机器人的运行效率，采用数字孪生技术和卷积神经网络算法设计了工业机器人故障的预测方法。首先设计了工业机器人故障预测的基本架构，然后利用数字孪生技术构建了虚实映射的工业机器人的物理模型，并提取工业机器人的运动姿态特征，最后利用卷积神经网络算法构建了工业机器人电机故障的预测模型，通过对故障特征信号特征提取和分类，实现了故障的实时预测。仿真结果表明：通过孪生虚拟模型获取的工业机器人运行状态与实际运行状态高度重合，采用提出的故障预测方法对100组数据处理，得到的正确率、精确率、召回率和F1值4个性能指标分别为0.961 7、0.903 5、0.925 4和0.923 1，均明显高于其他两种对比方法，为工业机器人进行故障诊断和预测提供有力的技术支持。     

融合多传感器的工业机器人故障信息采集系统

由于工业机器人在频繁的运行中受到各种摩擦、振动、温度变化以及负载作用的影响,从而使设备出现故障的概率大大提升。为了更加全面掌握工业机器人的运行状态,采用ZigBee无线传输技术设计了融合多传感器的工业机器人故障信息采集系统。采集节点读取振动传感器、电机转速传感器和温度传感器采集的数据获取工业机器人不同部位的工况信息,然后通过ZigBee无线模块发送到接收装置。接收装置将工业机器人的运行状态信息进行解析,并将提取出来的特征信息与故障特征进行比对,从而对工业机器人进行故障诊断和预测。